如今的AI已经非常会画3D了。输入一句话，模型可以生成一个足够逼真的耳机盒或咖啡杯，材质、光影甚至连轮廓都像模像样。但把它交给工程师，问题立刻暴露出来：物体孔位间距能不能从20毫米改成25毫米？修改其中一个尺寸后，其他结构能否自动保持约束关系？对于大多数生成式3D模型，答案并不乐观。它们交付的是一个可以渲染的外形，内部却缺少工程设计真正依赖的参数、特征、结构关系和构建逻辑。
这条边界，决定了生成式3D能否从内容工具走进真实制造，也决定了它能否成为机器人、世界模型和Physical AI所需的数据基础设施。7月31日，比特无限发布了面向Text-to-Structured 3D Generation的4B参数基础模型Arko-T。它接收自然语言描述，直接输出可执行的Build123d程序，程序经过CAD内核运行后，可以得到带有命名参数、结构特征和建模过程的CAD设计实体。这意味着工程师拿到的不再是一堆三角形面片，而是一份可以继续加工、可以改尺寸、可以出工程图的数字设计文件。
Arko-T最引人关注的结果，是它与当今最顶尖通用大模型的正面对抗成绩。在对比测试中，比特无限将Arko-T与GPT-5.2、Claude-4.5-sonnet、Gemini-3.5-flash、DeepSeek-V4-Pro、Qwen3.6-max、Kimi-k2.6、GLM-5.1这七个模型放在同一批任务上，围绕CAD生成的结构正确性、参数可编辑性、指令遵循度等维度设置了12项量化指标。最终Arko-T拿下8项第一、3项第二，只在少数指标上惜败。
更关键的是效率优势。Arko-T在本地GPU上处理单个样本的平均耗时为0.41秒，相比所有API基线模型至少快一个数量级。完成整套基准测试的成本仅为0.28美元，约等于最便宜API基线DeepSeek的六分之一，相比最昂贵的Claude低约65倍。这种速度与成本的双重优势，来自模型对生成任务的深度结构化理解，它不是在搜索一个外形，而是在规划一条可执行的建模路径。对于没有出现在训练集中的部件，Arko-T也能基于已有的结构知识进行组合与生成，展现出较强的泛化能力。这项研究在海外社交平台同样收获了大量好评，不少从业者认为这是一次颠覆性的突破，让AI建模第一次真正触摸到了工程语义的门槛。
为什么工程师需要的是参数化模型而不是网格？答案藏在制造业的日常工作流里。一个标准件设计完成后，往往需要经历改尺寸、出图纸、做有限元分析、对接CAM程序等多个环节。传统AI生成的网格模型在渲染层面无懈可击，但一旦进入工程软件，就变成了无法编辑的死数据。尺寸一变，只能重新生成；想要调整局部，也没有特征树可以操作。这正是生成式3D迟迟难以进入真实制造流程的根本原因。
Arko-T的技术路线，本质上是把大语言模型对代码的理解能力迁移到了CAD领域。它将Build123d这类程序化建模语言作为输出媒介，让模型以写代码的方式完成三维建模。自然语言描述被翻译成一段可执行的建模脚本，脚本运行的结果就是带完整构建历史的CAD实体。这条路线的想象力在于，它让AI第一次与人类工程师共享同一种设计语言，模型输出的内容可以直接进入现有的工程软件生态，而不需要任何格式转换或人工清理。对于CAD模型库构建、机械零件设计、机器人抓取仿真数据生产等场景，这种能力意味着数据生产的成本和门槛将大幅下降。
结构化的3D生成能力正在打开一个全新的产业空间。在制造业领域，工程师可以用自然语言描述一个零件的功能和约束，AI直接生成可加工的CAD文件，再对接数控机床或3D打印完成实物制造。在具身智能领域，机器人训练需要海量带物理属性的三维资产，参数化模型天然携带结构信息，可以直接用于仿真环境的物体操作训练。在设计领域，工业设计师可以用AI快速生成多个参数化方案，再通过修改参数完成系列化设计，将设计迭代周期从周压缩到小时。
比特无限选择在这条赛道发力，也反映出国产AI 3D团队对产业价值的重新定位。当大多数公司还在卷渲染效果时，一批团队开始关注生成结果是否真正可用。Arko-T的出现证明，4B参数的小模型在结构化建模这一细分任务上，完全可以凭借专项优化与顶尖大模型掰手腕，甚至在速度和成本上实现碾压。随着更多团队沿着这一方向深耕，AI 3D正从内容创作工具向智能制造基础设施演进，而这场从外形到结构、从Content到Manufacturing的转变，才刚刚开始。
值得关注的是，Arko-T的测试方法本身也颇具参考价值。团队没有采用传统生成式3D模型常用的渲染质量对比，而是围绕工程设计语言设计了可量化的指标集，包括生成程序能否成功执行、参数是否可编辑、结构特征是否完整等。这种评测方式本身就代表了一种行业共识的形成，即AI 3D的竞争正在从视觉还原走向工程可用。多位参与盲测的工程师表示，Arko-T生成的程序化模型在后续修改的灵活性上，已经与人工建模的早期阶段相差无几。